CN117439730A - 基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质 - Google Patents
基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质 Download PDFInfo
- Publication number
- CN117439730A CN117439730A CN202311756912.7A CN202311756912A CN117439730A CN 117439730 A CN117439730 A CN 117439730A CN 202311756912 A CN202311756912 A CN 202311756912A CN 117439730 A CN117439730 A CN 117439730A
- Authority
- CN
- China
- Prior art keywords
- sequence
- chaotic
- lstm
- chaos
- encryption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 150
- 230000035755 proliferation Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000009792 diffusion process Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006854 communication Effects 0.000 abstract description 9
- 238000004891 communication Methods 0.000 abstract description 8
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/44—Secrecy systems
- H04N1/448—Rendering the image unintelligible, e.g. scrambling
- H04N1/4486—Rendering the image unintelligible, e.g. scrambling using digital data encryption
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了基于Chaos‑LSTM与混沌序列增殖的地理信息加密方法、系统及介质,将加密密钥输入混沌系统中迭代生成三维浮点数混沌序列x(t)、y(t)、z(t);将混沌序列x(t)输入训练好的LSTM神经网络,输出新混沌序列x´(t);将x´ (t)和y(t)转换为整型数混沌序列并进行序列局部均值增殖处理,得到增殖序列分量作为混沌序列信号,重复循环3×M次获得3×M个增殖序列分量并组合加密序列矩阵,设置加密密钥C 1 、C 2 ,分别依次对原始图像进行行置乱、正向扩散和逆向扩散加密获得加密图像并进行解密、显示;本发明提高了序列复杂度,且能针对加密对象产生适配的加密序列,提高了信号加密通信效率。
Description
技术领域
本发明涉及信息安全技术领域,更具体的说是涉及基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质。
背景技术
随着地理信息应用的深入,类型多样的地理信息数据被广泛的共享,地理信息数据中涉及的机密信息广,如果泄露将会导致严重的损失与危害;因此,为不同的地理信息数据提供包容性广、安全度高的保密通信系统至关重要。
加密算法是保密通信系统的核心,研究者们也提出了多种多样的加密算法,混沌系统与神经网络被许多研究者证明有良好的保密通信性能。
但是,面对多种保密对象时,产生适配数据量的保密算法需要进一步研究;由于现有的计算机的计算精度和性能无法对混沌系统进行完全理想仿真求解,大多数在有限精度下实现的混沌系统,其性质会与其理论结果存在偏差;计算机的有限计算精度效应会使混沌序列最终会出现周期,且不同初始状态对应于不同周期,其周期长度可能很短,在某种程度上降低了混沌加密系统的保密性。
因此,如何使混沌序列的周期更长,随机性更好,且针对加密对象产生适配的加密序列,是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质,以解决背景技术中提到的问题。
为了实现上述目的,本发明采用如下技术方案:
一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法,包括以下步骤:
S1.加密密钥包含x 0 、y 0 、z 0 、c、C 1 、C 2 ,其中x 0 、y 0 、z 0 为混沌系统的迭代初始值,c为混沌系统的参数,C 1 、C 2 为扩散处理系数;将加密密钥中的x0、y0、z0、c输入混沌系统中进行迭代,生成三维浮点数混沌序列x(t)、y(t)、z(t);
S2.将浮点数混沌序列x(t)输入训练好的LSTM神经网络,输出与混沌序列长度一致的新混沌序列x´(t);
S3.将浮点数混沌序列x´(t)和y(t)转换为整型数混沌序列X(t)和Y(t);
S4、将混沌序列X(t)和Y(t)进行序列局部均值增殖处理,得到增殖序列分量DXj;
S5.将增殖序列分量DXj作为混沌序列信号X(t),并重复步骤S4,循环3×M次,获得3×M个长度与混沌序列长度一致的增殖序列分量DXj,j=1,2,…,3×M;
S6.将3×M个增殖序列分量DXj组合为加密序列矩阵E(3×M)×N,设置加密密钥中的C1、C2,采集原始图像,根据加密序列和加密密钥C1、C2分别依次对原始图像进行行置乱、正向扩散和逆向扩散的加密过程,获得加密图像;
S7.将加密图像进行解密,解密过程为加密过程的逆过程,并将原始图像、加密图像与解密图像进行显示。
优选的,步骤S2还包括,训练LSTM神经网络,构建Chaos-LSTM模型,具体包含以下步骤:
S21.构造一个LSTM递归神经网络,包括输入层、长短期记忆层LSTM、舍弃层、全连接层和回归输出层;
S22.通过混沌系统输出的一段混沌序列对LSTM递归神经网络进行训练,使神经网络转换为可生成新混沌序列的LSTM神经网络;
S23.将混沌序列输入LSTM神经网络输出对应长度的新混沌序列,并更新LSTM递归神经网络的网络状态获得训练好的LSTM神经网络,混沌系统与训练好的LSTM神经网络共同构成Chaos-LSTM模型。
优选的,步骤S3中,将浮点数混沌序列x´(t)和y(t)转换为整型数混沌序列X(t)和Y(t)的转换公式为:
其中,n为将浮点数混沌序列左移n位后再进行取整运算。
优选的,步骤S4中,进行序列局部均值增殖处理得到增殖序列分量DXj的具体内容为:
S41.找出整型数混沌序列X(t)中所有局部极值点,并计算求出所有相邻局部极值点的平均值;
S42.对所有局部极值点的平均值做线性平滑插值处理,获得浮点数近似局部均值序列,再将浮点数近似局部均值序列转换为整型数局部均值函数序列;
S43.引入混沌序列Y(t),将局部均值函数序列、混沌序列X(t)和混沌序列Y(t)进行异或运算,得到增殖序列分量DXj。
优选的,步骤S6获得加密图像的具体内容包括:
S61.对原始图像进行行置乱得到置乱图像,置乱算法为:
;
其中,OM×N_RGB为原始图像矩阵,SEM×N_RGB为置乱图像矩阵,为矩阵元素互换操作,/>为矩阵中行的位置,/>为矩阵中列的位置,/>为向下取整操作,N为矩阵列的长度;
S62.对置乱图像进行正向扩散得到正扩散图像,正向扩散算法为:
;
其中,FEM×N_RGB为正扩散图像矩阵,为按位异或运算,/>为矩阵中行的位置,ν为矩阵中列的位置;
S63.对正扩散图像进行逆向扩散得到反向扩散图像,即为加密图像,逆向扩散算法为:
;
其中,ENM×N_RGB为反向扩散图像矩阵,即为加密图像矩阵,为矩阵中行的位置,n为矩阵中列的位置。
优选的,加密密钥中c、C1和C2的取值范围为:;/>。
一种基于Chaos-LSTM与混沌序列增殖的地理信息加密系统,基于所述的一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法,包括加密端、解密端和显示端;
加密端包括加密密钥设置模块、Chaos-LSTM模型、序列取整处理模块、序列局部均值增殖模块、原始图像加密模块;
解密端包括解密密钥设置模块、Chaos-LSTM模型、序列取整处理模块、序列局部均值增殖模块、加密图像解密模块。
优选的,Chaos-LSTM模型包括混沌系统与训练好的LSTM神经网络。
优选的,原始图像加密模块和加密图像解密模块均包括置乱单元、正向扩散单元和反向扩散单元。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质,通过Chaos-LSTM模型以及信号局部均值增值算法产生的加密序列,能够在混沌系统的基础上进一步提升输出序列随机性,提高了序列的复杂度,且能针对加密对象产生适配的加密序列,提高了通信的效率;且只选取了混沌系统输出序列的一部分,一定程度上避免了混沌序列可能存在复杂度不高而导致的加密性能不足;
通过加密序列与扩散、置乱算法结合生成的保密通信系统,保密通信能正确进行保密通信,图像数据信息能够被隐藏且保密通信过程中不会丢失数据信息,进一步证明了所提出的基于Chaos-LSTM与信号局部均值增值的保密通信系统具有良好的实际应用效果,能使保密通信系统应用于多个加密场合的加密。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的基于Chaos-LSTM与混沌序列增殖的地理信息加密方法流程示意图;
图2附图为本发明提供的LSTM递归神经网络示意图;
图3附图为本发明提供的Chaos-LSTM模型处理流程示意图;
图4附图为本发明提供的混沌序列局部均值增殖算法流程示意图;
图5附图为本发明提供的Chaos-LSTM模型输入输出序列与SE复杂度对比示意图;
图6附图为本发明提供的增殖序列分量示意图;
图7附图为本发明提供的各增殖序列分量与混沌序列的SE复杂度对比示意图;
图8附图为本发明提供的ZYNQ实验平台实现及显示屏结果显示图;
图9附图为本发明提供的基于Chaos-LSTM与混沌序列增殖的地理信息加密系统的实验结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例一公开了一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法,如图1,包括以下步骤:
S1.加密密钥包含x 0 、y 0 、z 0 、c、C 1 、C 2 ,其中x 0 、y 0 、z 0 为混沌系统的迭代初始值,c为混沌系统的参数,C 1 、C 2 为扩散处理系数;将加密密钥中的x0、y0、z0、c输入混沌系统中进行迭代,迭代次数设置为N,生成长度为N的三维浮点数混沌序列x(t)、y(t)、z(t);
S2.将浮点数混沌序列x(t)输入训练好的LSTM神经网络,输出与混沌序列x(t)长度一致的新混沌序列x´(t);
S3.将浮点数混沌序列x´(t)和y(t)转换为整型数混沌序列X(t)和Y(t);
S4、将混沌序列X(t)和Y(t)进行序列局部均值增殖处理,得到增殖序列分量DXj;
S5.将增殖序列分量DXj作为混沌序列信号X(t),并重复步骤S4,循环3×M次,获得3×M个长度与混沌序列长度N一致的增殖序列分量DXj,j=1,2,…,3×M;
S6.将3×M个增殖序列分量DXj组合为加密序列矩阵E(3×M)×N,设置加密密钥中的C1、C2,采集原始图像,根据加密序列和加密密钥C1、C2分别依次对原始图像进行行置乱、正向扩散和逆向扩散的加密过程,获得加密图像;
S7.将加密图像进行解密,解密过程为加密过程的逆过程,解密密钥为x´0、y0´、z0´、c´、C1´、C2´,并将原始图像、加密图像与解密图像进行显示。
为了进一步实施上述技术方案,如图2和图3,步骤S2还包括,训练LSTM神经网络,构建Chaos-LSTM模型,具体包含以下步骤:
S21.构造一个LSTM递归神经网络,包括输入层、长短期记忆层LSTM、舍弃层、全连接层和回归输出层;
S22.通过混沌系统输出的一段混沌序列对LSTM递归神经网络进行训练,使神经网络转换为可生成新混沌序列的LSTM神经网络;
S23.将混沌序列输入LSTM神经网络输出对应长度的新混沌序列,并更新LSTM递归神经网络的网络状态获得训练好的LSTM神经网络,混沌系统与训练好的LSTM神经网络共同构成Chaos-LSTM模型。
在本实施例中,混沌系统为Lorenz系统,但并不代表混沌系统部分只能使用Lorenz系统,也可使用其它具有二维及以上混沌序列输出的混沌系统。
简化Lorenz系统的数学模型为:
;
其中,x、y、z为系统状态变量,c为系统参数。当时,简化Lorenz系统处于混沌状态,系统的x、y、z三维输出类随机序列的混沌序列x(t)、y(t)、z(t)。
为了进一步实施上述技术方案,步骤S3中,将浮点数混沌序列x´(t)和y(t)转换为整型数混沌序列X(t)和Y(t)的转换公式为:
其中,n为将浮点数混沌序列左移n位后再进行取整运算,n=16。
为了进一步实施上述技术方案,如图4,步骤S4中,进行序列局部均值增殖处理得到增殖序列分量DXj的具体内容为:
S41.找出整型数混沌序列X(t)中所有局部极值点vi,并计算求出所有相邻局部极值点的平均值ui:
S42.对所有局部极值点的平均值ui做线性平滑插值处理,获得浮点数近似局部均值序列u(t),再将浮点数近似局部均值序列u(t)转换为整型数局部均值函数序列;
S43.引入混沌序列Y(t),将局部均值函数序列U(t)、混沌序列X(t)和混沌序列Y(t)进行异或运算,异或运算表达式为,得到增殖序列分量DXj。
为了进一步实施上述技术方案,步骤S6获得加密图像的具体内容包括:
S61.对原始图像进行行置乱得到置乱图像,置乱算法为:
;
其中,OM×N_RGB为原始图像矩阵,SEM×N_RGB为置乱图像矩阵,为矩阵元素互换操作,/>为矩阵中行的位置,/>为矩阵中列的位置,/>为向下取整操作,N为矩阵列的长度;
S62.对置乱图像进行正向扩散得到正扩散图像,正向扩散算法为:
;
其中,FEM×N_RGB为正扩散图像矩阵,为按位异或运算,/>为矩阵中行的位置,ν为矩阵中列的位置;
S63.对正扩散图像进行逆向扩散得到反向扩散图像,即为加密图像,逆向扩散算法为:
;
其中,ENM×N_RGB为反向扩散图像矩阵,即为加密图像矩阵,为矩阵中行的位置,n为矩阵中列的位置。
为了进一步实施上述技术方案,加密密钥中c、C1和C2的取值范围为:;。
实施例二
一种基于Chaos-LSTM与混沌序列增殖的地理信息加密系统,基于一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法,包括加密端、解密端和显示端;
加密端包括加密密钥设置模块、Chaos-LSTM模型、序列取整处理模块、序列局部均值增殖模块、原始图像加密模块;
解密端包括解密密钥设置模块、Chaos-LSTM模型、序列取整处理模块、序列局部均值增殖模块、加密图像解密模块。
为了进一步实施上述技术方案,Chaos-LSTM模型包括混沌系统与训练好的LSTM神经网络。
为了进一步实施上述技术方案,原始图像加密模块和加密图像解密模块均包括置乱单元、正向扩散单元和反向扩散单元。
实施例三
如图5,将Chaos-LSTM模型输入输出序列与SE复杂度进行对比;构建的Chaos-LSTM模型在混沌系统的基础上提升了输出序列随机性:
Chaos-LSTM模型输入为Lorenz混沌系统的参数与状态变量初值,模型输出为新混沌序列x´(t);设置Lorenz混沌系统的参数c=2,初值x(0)=1,y(0)=2,z(0)=3,选取长度为500的混沌序列x(t)与新混沌序列x´(t)的对比如图5(a)所示,从图5(a)中可以看出Chaos-LSTM模型输出的新混沌序列x´(t)与Lorenz混沌系统产生的混沌序列x(t)是不相同的;如图5(b)所示为Lorenz混沌系统的参数取值范围为时产生的混沌序列x(t)与模型输出的新混沌序列x´(t)的SE复杂度随参数变化图,从图5(b)中可以看出新混沌序列x´(t)的SE复杂度在不同系统参数下均大于混沌序列x(t)的SE复杂度,相比混沌序列x(t),新混沌序列x´(t)更加接近随机序列。
实施例四
如图6所示为增殖序列分量图,以Lorenz混沌系统在参数c=2,初值条件x(0)=1,y(0)=2,z(0)=3下生成并处理的混沌序列X(t)为例,令M=4,N=500,通过信号局部均值增殖算法生成12个长度为500的增殖序列分量DXj,j=1,2,…,12。
图7为各增殖序列分量DXj,j=1,2,…,12与混沌序列X(t)的SE复杂度对比图,图中横坐标Squence1-Squence12为DX1-DX12,Squence13为X(t),纵坐标为SE复杂度的大小,SE复杂度值是计算而来,具体数值大小如下表1所示:
表1 序列的SE复杂度:
;
从上表1和图7可看出增殖序列分量DXj,j=1,2,…,12的SE复杂度均大于混沌序列X(t)的SE复杂度,即混沌序列局部均值增殖算法不但能将原始的混沌序列进行无限增殖,而且所扩展出来的增殖序列与原始序列相比更加接近随机序列。
将增殖序列分量DXj,j=1,2,…,12进行排列组合成长度为10^6的增殖混沌序列用于进行NIST测试,实验结果如下表2所示:
表2 增殖混沌序列NIST测试:
;
上表2中列出了增殖混沌序列在NIST测试中15个测试的结果,所有P值均大于0.01,通过了NIST测试,表明其具有较好的随机性,属于随机序列。
实施例五
如图8所示为基于Chaos-LSTM与混沌序列增殖的地理信息数据加密系统在ZYNQ实验平台的实现及显示屏结果显示图:图中包含ZYNQ实验平台及显示屏,在ZYNQ实验平台中的FPGA上完成硬件电路设计,在ARM上编写代码实现置乱与扩散算法,显示屏中图像分别为原始图像、加密图像、解密图像,原始图像为地理信息图像,其中包含表征地理圈或地理环境固有要素或物质的数量、质量、分布特征、联系和规律的数字、文字、图像和图形等的地理信息数据。
导出实验平台中显示的图像如图9所示,即基于Chaos-LSTM与混沌序列增殖的地理信息数据加密系统的实验结果图,图9中,(a)为原始图像,(b)为加密图像,(c)为解密图像,对比(a)和(b)可知加密图像与原始图像完全不一致,图像的原始特征被隐藏,对比(b)与(c)可知原始图像与解密图像一致,图像通过解密电路被完整地还原,不会丢失数据信息。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法,其特征在于,包括以下步骤:
S1.加密密钥包含x 0 、y 0 、z 0 、c、C 1 、C 2 ,其中x 0 、y 0 、z 0 为混沌系统的迭代初始值,c为混沌系统的参数,C 1 、C 2 为扩散处理系数;将加密密钥中的x0、y0、z0、c输入混沌系统中进行迭代,生成三维浮点数混沌序列x(t)、y(t)、z(t);
S2.将浮点数混沌序列x(t)输入训练好的LSTM神经网络,输出与混沌序列长度一致的新混沌序列x´(t);
S3.将浮点数混沌序列x´(t)和y(t)转换为整型数混沌序列X(t)和Y(t);
S4.将混沌序列X(t)和Y(t)进行序列局部均值增殖处理,得到增殖序列分量DXj;
S5.将增殖序列分量DXj作为混沌序列X(t),并重复步骤S4,循环3×M次,获得3×M个长度与混沌序列长度一致的增殖序列分量DXj,j=1,2,…,3×M;
S6.将3×M个增殖序列分量DXj组合为加密序列矩阵E(3×M)×N,设置加密密钥中的C1、C2,采集原始图像,根据加密序列和加密密钥C1、C2分别依次对原始图像进行行置乱、正向扩散和逆向扩散的加密过程,获得加密图像;
S7.将加密图像进行解密,解密过程为加密过程的逆过程,并将原始图像、加密图像与解密图像进行显示。
2.根据权利要求1所述的一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法,其特征在于,步骤S2还包括,训练LSTM神经网络,构建Chaos-LSTM模型,具体包含以下步骤:
S21.构造一个LSTM递归神经网络,包括输入层、长短期记忆层LSTM、舍弃层、全连接层和回归输出层;
S22.通过混沌系统输出的一段混沌序列对LSTM递归神经网络进行训练,使神经网络转换为可生成新混沌序列的LSTM神经网络;
S23.将混沌序列输入LSTM神经网络输出对应长度的新混沌序列,并更新LSTM递归神经网络的网络状态获得训练好的LSTM神经网络,混沌系统与训练好的LSTM神经网络共同构成Chaos-LSTM模型。
3.根据权利要求1所述的一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法,其特征在于,步骤S3中,将浮点数混沌序列x´(t)和y(t)转换为整型数混沌序列X(t)和Y(t)的转换公式为:
;
;
其中,n为将浮点数混沌序列左移n位后再进行取整运算。
4.根据权利要求1所述的一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法,其特征在于,步骤S4中,进行序列局部均值增殖处理得到增殖序列分量DXj的具体内容为:
S41.找出整型数混沌序列X(t)中所有局部极值点,并计算求出所有相邻局部极值点的平均值;
S42.对所有局部极值点的平均值做线性平滑插值处理,获得浮点数近似局部均值序列,再将浮点数近似局部均值序列转换为整型数局部均值函数序列;
S43.引入混沌序列Y(t),将局部均值函数序列、混沌序列X(t)和混沌序列Y(t)进行异或运算,得到增殖序列分量DXj。
5.根据权利要求1所述的一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法,其特征在于,步骤S6获得加密图像的具体内容包括:
S61.对原始图像进行行置乱得到置乱图像,置乱算法为:
;
;
;
;
其中,OM×N_RGB为原始图像矩阵,SEM×N_RGB为置乱图像矩阵,为矩阵元素互换操作,为矩阵中行的位置,/>为矩阵中列的位置,/>为向下取整操作,N为矩阵列的长度;
S62.对置乱图像进行正向扩散得到正扩散图像,正向扩散算法为:
;
其中,FEM×N_RGB为正扩散图像矩阵,为按位异或运算,/>为矩阵中行的位置,ν为矩阵中列的位置;
S63.对正扩散图像进行逆向扩散得到反向扩散图像,即为加密图像,逆向扩散算法为:
;
其中,ENM×N_RGB为反向扩散图像矩阵,即为加密图像矩阵,为矩阵中行的位置,n为矩阵中列的位置。
6.根据权利要求1所述的一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法,其特征在于,加密密钥中c、C1和C2的取值范围为:;/>。
7.一种基于Chaos-LSTM与混沌序列增殖的地理信息加密系统,其特征在于,基于权利要求1-6任意一项所述的一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法,包括加密端、解密端和显示端;
加密端包括加密密钥设置模块、Chaos-LSTM模型、序列取整处理模块、序列局部均值增殖模块、原始图像加密模块;
解密端包括解密密钥设置模块、Chaos-LSTM模型、序列取整处理模块、序列局部均值增殖模块、加密图像解密模块。
8.根据权利要求7所述的一种基于Chaos-LSTM与混沌序列增殖的地理信息加密系统,其特征在于,Chaos-LSTM模型包括混沌系统与训练好的LSTM神经网络。
9.根据权利要求7所述的一种基于Chaos-LSTM与混沌序列增殖的地理信息加密系统,其特征在于,原始图像加密模块和加密图像解密模块均包括置乱单元、正向扩散单元和反向扩散单元。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6任意一项所述的一种基于Chaos-LSTM与混沌序列增殖的地理信息加密方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311756912.7A CN117439730B (zh) | 2023-12-20 | 2023-12-20 | 基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311756912.7A CN117439730B (zh) | 2023-12-20 | 2023-12-20 | 基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117439730A true CN117439730A (zh) | 2024-01-23 |
CN117439730B CN117439730B (zh) | 2024-02-20 |
Family
ID=89553872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311756912.7A Active CN117439730B (zh) | 2023-12-20 | 2023-12-20 | 基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117439730B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5048086A (en) * | 1990-07-16 | 1991-09-10 | Hughes Aircraft Company | Encryption system based on chaos theory |
JP2006338045A (ja) * | 2006-07-28 | 2006-12-14 | Japan Science & Technology Agency | カオス・ニューラルネットワークを用いた乱数生成システム |
US20090196420A1 (en) * | 2008-02-05 | 2009-08-06 | Harris Corporation | Cryptographic system incorporating a digitally generated chaotic numerical sequence |
BRPI1002551A2 (pt) * | 2010-07-14 | 2012-03-27 | Univ Sao Paulo | método de criptografia em modo de operação caótico |
CN104008520A (zh) * | 2014-05-09 | 2014-08-27 | 河南大学 | 基于sha-384函数、时空混沌系统、量子混沌系统和神经网络的彩色图像加密方法 |
CN104834816A (zh) * | 2015-05-08 | 2015-08-12 | 重庆科创职业学院 | 一种短期风速预测方法 |
CN105678422A (zh) * | 2016-01-11 | 2016-06-15 | 广东工业大学 | 基于经验模态神经网络的混沌时间序列预测方法 |
CN108932691A (zh) * | 2018-08-14 | 2018-12-04 | 长春理工大学 | 量子细胞神经网络混沌的多扩散图像加密解密方法 |
CN112152775A (zh) * | 2019-08-12 | 2020-12-29 | 湖南大学 | 基于二维Henon-Chebyshev混沌映射和基因操作的图像加密方法 |
US20210385081A1 (en) * | 2020-06-03 | 2021-12-09 | University Of Electronic Science And Technology Of China | Key Generation Method Based On Deep Learning Generative Adversarial Network |
CN113973161A (zh) * | 2021-10-29 | 2022-01-25 | 重庆邮电大学 | 基于深度学习的压缩感知与混沌系统的新型图像加密方法 |
CN114448524A (zh) * | 2021-12-01 | 2022-05-06 | 重庆邮电大学 | 基于异构组合混沌映射的无线人体局域网加密方法 |
CN116707756A (zh) * | 2023-06-13 | 2023-09-05 | 湖南科技大学 | 基于fpga的混沌图像加密算法 |
-
2023
- 2023-12-20 CN CN202311756912.7A patent/CN117439730B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5048086A (en) * | 1990-07-16 | 1991-09-10 | Hughes Aircraft Company | Encryption system based on chaos theory |
JP2006338045A (ja) * | 2006-07-28 | 2006-12-14 | Japan Science & Technology Agency | カオス・ニューラルネットワークを用いた乱数生成システム |
US20090196420A1 (en) * | 2008-02-05 | 2009-08-06 | Harris Corporation | Cryptographic system incorporating a digitally generated chaotic numerical sequence |
BRPI1002551A2 (pt) * | 2010-07-14 | 2012-03-27 | Univ Sao Paulo | método de criptografia em modo de operação caótico |
CN104008520A (zh) * | 2014-05-09 | 2014-08-27 | 河南大学 | 基于sha-384函数、时空混沌系统、量子混沌系统和神经网络的彩色图像加密方法 |
CN104834816A (zh) * | 2015-05-08 | 2015-08-12 | 重庆科创职业学院 | 一种短期风速预测方法 |
CN105678422A (zh) * | 2016-01-11 | 2016-06-15 | 广东工业大学 | 基于经验模态神经网络的混沌时间序列预测方法 |
CN108932691A (zh) * | 2018-08-14 | 2018-12-04 | 长春理工大学 | 量子细胞神经网络混沌的多扩散图像加密解密方法 |
CN112152775A (zh) * | 2019-08-12 | 2020-12-29 | 湖南大学 | 基于二维Henon-Chebyshev混沌映射和基因操作的图像加密方法 |
US20210385081A1 (en) * | 2020-06-03 | 2021-12-09 | University Of Electronic Science And Technology Of China | Key Generation Method Based On Deep Learning Generative Adversarial Network |
CN113973161A (zh) * | 2021-10-29 | 2022-01-25 | 重庆邮电大学 | 基于深度学习的压缩感知与混沌系统的新型图像加密方法 |
CN114448524A (zh) * | 2021-12-01 | 2022-05-06 | 重庆邮电大学 | 基于异构组合混沌映射的无线人体局域网加密方法 |
CN116707756A (zh) * | 2023-06-13 | 2023-09-05 | 湖南科技大学 | 基于fpga的混沌图像加密算法 |
Non-Patent Citations (7)
Title |
---|
LIU, MEITING等: "Design of 9-D global chaotic system and its application in secure communication", 《CIRCUIT WORLD》, vol. 48, no. 1, 3 January 2022 (2022-01-03) * |
YU WENXIN等: "An Improved Image Multi-Dimensional Chaos Encryption Algorithm Based on CUDA", 《 2019 9TH INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND TECHNOLOGY (ICIST2019)》, 29 December 2020 (2020-12-29) * |
于文新等: "基于深度学习 LSTM 的侧信道分析", 《计算机工程》, vol. 47, no. 10, 31 October 2021 (2021-10-31), pages 141 - 143 * |
底晓强;母一宁;李锦青;杨华民;: "一种基于TLM超混沌细胞神经网络图像加密新算法", 红外与激光工程, no. 12, 25 December 2014 (2014-12-25) * |
武剀;赵国敏;李国东;: "基于多维混沌系统的图像加密技术研究", 淮阴师范学院学报(自然科学版), no. 01, 15 March 2015 (2015-03-15) * |
王利等: "基于混沌时间序列的黄土滑坡 变形预测方法及应用", 《地球科学与环境学报》, vol. 43, no. 5, 30 September 2021 (2021-09-30), pages 918 - 919 * |
王阳;吴成茂;邱少杰;: "基于细胞神经网络混沌特性的分组加密算法", 计算机应用与软件, no. 11, 15 November 2013 (2013-11-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117439730B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xian et al. | Double parameters fractal sorting matrix and its application in image encryption | |
CN112084517B (zh) | 一种基于混沌映射和比特级置换的图像加密方法 | |
Yasser et al. | A new image encryption scheme based on hybrid chaotic maps | |
Liu et al. | A cluster of 1D quadratic chaotic map and its applications in image encryption | |
Huang et al. | Implementation of gray image encryption with pixel shuffling and gray-level encryption by single chaotic system | |
Wang et al. | A novel chaotic system and its application in a color image cryptosystem | |
CN109903212B (zh) | 一种基于H几何分形和Hilbert曲线的图像加密方法 | |
CN108199828B (zh) | 一种彩色图片加密方法及装置 | |
Shao et al. | Chaotic image encryption using piecewise-logistic-sine map | |
Yang et al. | Period analysis of the logistic map for the finite field | |
CN114418823A (zh) | 基于logistic的大密钥空间比特置乱混沌图像加密方法 | |
CN112202545A (zh) | 基于y型填充曲线和变步长约瑟夫遍历的图像加密方法 | |
Das et al. | Diffusion and encryption of digital image using genetic algorithm | |
CN112543093B (zh) | 基于双熵源超混沌系统的图像加密方法、设备及存储介质 | |
CN106373082A (zh) | 基于细胞自动机和混沌映射的数字图像加密及其解密方法 | |
CN117439730B (zh) | 基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质 | |
Sun et al. | An image encryption algorithm utilizing Mandelbrot set | |
Srichavengsup et al. | Data encryption scheme based on rules of cellular automata and chaotic map function for information security. | |
CN116996626A (zh) | 基于混沌系统的双量子图像加密方法 | |
Murguía et al. | Matrix approach of an encryption system based on cellular automata and its numerical implementation | |
Haider et al. | A novel pseudo-random number generator based on multivariable optimization for image-cryptographic applications | |
Tao et al. | A Snake Encryption Algorithm for Image with Multiple Chaos Fusion. | |
CN116305211A (zh) | 一种图像加密处理方法及装置 | |
Zhang et al. | Image encryption algorithm Based on Logistic chaotic system and s-box scrambling | |
CN112887075B (zh) | 基于明文相关的类全连接网络图像的加密方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |